豆瓣top250爬虫

import os
import random
import time
from urllib import request


def Douban_data_wash(text1):
    text1 = text1.split('<h1>豆瓣电影 Top 250</h1>')[1]  # 切去网页头
    for i in range(0, 25):
        text = text1.split('</li>')[i]  # 切片
        # <img width="100" alt="肖申克的救赎" src="https://img2.doubanio.com/view/photo/s_ratio_poster/public/p480747492.webp" class="">
        rank = text.split('<em class=\"\">')[1].split("</em>")[0]  # 获取排名
        title = text.split('</span>')[0].split('>')[-1].strip()  # 获取电影名
        pic_url = text.split('<img width=\"100\" ')[1].split("src=\"")[1].split("\" class=\"")[0]  # 获取图片url
        request.urlretrieve(pic_url, filename="./豆瓣数据/" + title + ".jpg")  # 下载图片
        rate = text.split('v:average\">')[1].split('</span>')[0]  # 评分
        number = text.split('star')[1].split('<span>')[1].split('</span>')[0]  # 评分人数
        try:
            quote = text.split('inq')[1].split('>')[1].split('<')[0]  # 部分电影无推荐理由，抓取可能出现的异常indexoutofrange
        except:
            print(rank + "该处评价为空")
            quote = " "  # 设置推荐理由为空
        file = open("./豆瓣数据/豆瓣数据.txt", "a")  # 追加方式写文件
        file.write(
            "排名:" + rank + ",《" + title + "》,豆瓣评分" + rate + ",评价人数:" + number + "。推荐理由:" + quote + "\n")  # 以追加方式写入文件
        file.close()
        print("排名{}，《{}》，豆瓣评分{}，{}。推荐理由：{}".format(rank, title, rate, number, quote))


def DouBanSpide(i):
    url = "https://movie.douban.com/top250?start=" + str(i * 25)
    user_agent = {
        "User-Agent": "Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/87.0.4280.88 Safari/537.36"}  # 头部
    req = request.Request(url=url, headers=user_agent)  # 为request加头部
    html = request.urlopen(req)  #
    Douban_data_wash(html.read().decode())  # 数据清洗


if __name__ == '__main__':
    # os.mkdir("./豆瓣数据")#创建文件夹用来保存数据，第一次运行，其它时间注释掉
    for i in range(0, 10):
        DouBanSpide(i)
        time.sleep(random.randint(2, 10))  # 随机休眠2-10秒，防检测

豆瓣top250爬虫